pm演算法

❶ 12點55Pm 是白天還是晚上

12點55Pm，指中午的12點55分。

5月19號的12點55Pm，指5月19號中午的12點55分。

PM，拉丁語post meridiem的縮寫，意為午後，用於十二小時制。所謂「午後」，即每天的12：00：00～23：59：59時段。

目前，十二小時制仍然是大多數指針式鍾表顯示時間的方法，注意鍾面上數字沒有0，但有12，所以起點是12。24小時制的0:30，在鍾面上讀成12:30，再加meridiem進行區分上午(AM)和下午(PM)。

(1)pm演算法擴展閱讀：

同24小時制相對比，12小時制常常被反對者提到的缺點有：

(1）文表示法無法正確區分表示中午12時與午夜12時。（指英文的12:00 ante meridiem與12:00post meridiem難正確區分是中午還是午夜）

(2）午夜12時具體表示哪一天可能造成混淆。例如2月3日午夜12時，無法區分是2月3日00:00（即2月2日24:00）還是2月3日24:00（即2月4日00:00）。

(3）後綴 ante meridiem/post meridiem佔用更多的空間。

(4）若要按時間排序，計算機程序無法簡單地按字元串排序。

(5）電子設備與軟體需要的實現演算法更加復雜。

❷ 請問什麼是遺傳演算法，並給兩個例子

遺傳演算法(Genetic Algorithm, GA)是近幾年發展起來的一種嶄新的全局優化演算法，它借
用了生物遺傳學的觀點，通過自然選擇、遺傳、變異等作用機制，實現各個個體的適應性
的提高。這一點體現了自然界中"物競天擇、適者生存"進化過程。1962年Holland教授首次
提出了GA演算法的思想，從而吸引了大批的研究者，迅速推廣到優化、搜索、機器學習等方
面，並奠定了堅實的理論基礎。 用遺傳演算法解決問題時，首先要對待解決問題的模型結構
和參數進行編碼，一般用字元串表示，這個過程就將問題符號化、離散化了。也有在連續
空間定義的GA(Genetic Algorithm in Continuous Space, GACS)，暫不討論。

一個串列運算的遺傳演算法(Seguential Genetic Algoritm, SGA)按如下過程進行：

(1) 對待解決問題進行編碼；
(2) 隨機初始化群體X(0):=(x1, x2, … xn)；
(3) 對當前群體X(t)中每個個體xi計算其適應度F(xi)，適應度表示了該個體的性能好
壞；
(4) 應用選擇運算元產生中間代Xr(t)；
(5) 對Xr(t)應用其它的運算元，產生新一代群體X(t+1)，這些運算元的目的在於擴展有限
個體的覆蓋面，體現全局搜索的思想；
(6) t:=t+1；如果不滿足終止條件繼續(3)。
GA中最常用的運算元有如下幾種：
(1) 選擇運算元(selection/reproction): 選擇運算元從群體中按某一概率成對選擇個
體，某個體xi被選擇的概率Pi與其適應度值成正比。最通常的實現方法是輪盤賭(roulett
e wheel)模型。
(2) 交叉運算元(Crossover): 交叉運算元將被選中的兩個個體的基因鏈按概率pc進行交叉
，生成兩個新的個體，交叉位置是隨機的。其中Pc是一個系統參數。
(3) 變異運算元(Mutation): 變異運算元將新個體的基因鏈的各位按概率pm進行變異，對
二值基因鏈(0,1編碼)來說即是取反。
上述各種運算元的實現是多種多樣的，而且許多新的運算元正在不斷地提出，以改進GA的
某些性能。系統參數(個體數n,基因鏈長度l,交叉概率Pc,變異概率Pm等)對演算法的收斂速度
及結果有很大的影響，應視具體問題選取不同的值。
GA的程序設計應考慮到通用性，而且要有較強的適應新的運算元的能力。OOP中的類的繼
承為我們提供了這一可能。
定義兩個基本結構：基因(ALLELE)和個體(INDIVIDUAL)，以個體的集合作為群體類TP
opulation的數據成員，而TSGA類則由群體派生出來，定義GA的基本操作。對任一個應用實
例，可以在TSGA類上派生，並定義新的操作。

TPopulation類包含兩個重要過程：
FillFitness: 評價函數，對每個個體進行解碼(decode)並計算出其適應度值，具體操
作在用戶類中實現。
Statistic: 對當前群體進行統計，如求總適應度sumfitness、平均適應度average、最好
個體fmax、最壞個體fmin等。

TSGA類在TPopulation類的基礎上派生，以GA的系統參數為構造函數的參數，它有4個
重要的成員函數：
Select: 選擇運算元，基本的選擇策略採用輪盤賭模型（如圖2）。輪盤經任意旋轉停止
後指針所指向區域被選中，所以fi值大的被選中的概率就大。
Crossover: 交叉運算元，以概率Pc在兩基因鏈上的隨機位置交換子串。
Mutation: 變異運算元，以概率Pm對基因鏈上每一個基因進行隨機干擾(取反)。
Generate: 產生下代，包括了評價、統計、選擇、交叉、變異等全部過程，每運行一
次，產生新的一代。

SGA的結構及類定義如下(用C++編寫)：
[code] typedef char ALLELE; // 基因類型
typedef struct{
ALLELE *chrom;
float fitness; // fitness of Chromosome
}INDIVIDUAL; // 個體定義

class TPopulation{ // 群體類定義
public:
int size; // Size of population: n
int lchrom; // Length of chromosome: l
float sumfitness, average;

INDIVIDUAL *fmin, *fmax;
INDIVIDUAL *pop;

TPopulation(int popsize, int strlength);
~TPopulation();
inline INDIVIDUAL &Indivial(int i){ return pop[i];};
void FillFitness(); // 評價函數
virtual void Statistics(); // 統計函數
};

class TSGA : public TPopulation{ // TSGA類派生於群體類
public:
float pcross; // Probability of Crossover
float pmutation; // Probability of Mutation
int gen; // Counter of generation

TSGA(int size, int strlength, float pm=0.03, float pc=0.6):
TPopulation(size, strlength)
{gen=0; pcross=pc; pmutation=pm; } ;
virtual INDIVIDUAL& Select();
virtual void Crossover(INDIVIDUAL &parent1, INDIVIDUAL &parent2,
INDIVIDUAL &child1, INDIVIDUAL &child2);
&child1, INDIVIDUAL &child2);
virtual ALLELE Mutation(ALLELE alleleval);
virtual void Generate(); // 產生新的一代
};
用戶GA類定義如下：
class TSGAfit : public TSGA{
public:
TSGAfit(int size,float pm=0.0333,float pc=0.6)
:TSGA(size,24,pm,pc){};
void print();
}; [/code]

由於GA是一個概率過程，所以每次迭代的情況是不一樣的；系統參數不同，迭代情況
也不同。在實驗中參數一般選取如下：個體數n=50-200，變異概率Pm=0.03, 交叉概率Pc=
0.6。變異概率太大，會導致不穩定。

參考文獻
● Goldberg D E. Genetic Algorithm in Search, Optimization, and machine

Learning. Addison-Wesley, Reading, MA, 1989
● 陳根社、陳新海，"遺傳演算法的研究與進展"，《信息與控制》，Vol.23,
NO.4, 1994, PP215-222
● Vittorio Maniezzo, "Genetic Evolution of the Topology and Weight Distri
bution of the Neural Networks", IEEE, Trans. on Neural Networks, Vol.5, NO
.1, 1994, PP39-53
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅰ
l Networks, Vol.5, NO.1, 1994, PP102-119
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅱ
al Networks, Vol.5, NO.1, 1994, PP102-119
● Gunter Rudolph, Convergence Analysis of Canonical Genetic Algorithms, I
EEE, Trans. on Neural Networks, Vol.5, NO.1, 1994, PP96-101
● A E Eiben, E H L Aarts, K M Van Hee. Gloable convergence of genetic alg
orithms: A Markov chain analysis. in Parallel Problem Solving from Nat
ure. H.-P.Schwefel, R.Manner, Eds. Berlin and Heidelberg: Springer, 1991
, PP4-12
● Wirt Atmar, "Notes on the Simulation of Evolution", IEEE, Trans. on Neu
ral Networks, Vol.5, NO.1, 1994, PP130-147
● Anthony V. Sebald, Jennifer Schlenzig, "Minimax Design of Neural Net Co
ntrollers for Highly Uncertain Plants", IEEE, Trans. on Neural Networks, V
ol.5, NO.1, 1994, PP73-81
● 方建安、邵世煌，"採用遺傳演算法自學習模型控制規則"，《自動化理論、技術與應
用》，中國自動化學會 第九屆青年學術年會論文集，1993, PP233-238
● 方建安、邵世煌，"採用遺傳演算法學習的神經網路控制器"，《控制與決策》，199
3,8(3), PP208-212
● 蘇素珍、土屋喜一，"使用遺傳演算法的迷宮學習"，《機器人》，Vol.16,NO.5,199
4, PP286-289
● M.Srinivas, L.M.Patnaik, "Adaptive Probabilities of Crossover and Mutat
ion", IEEE Trans. on S.M.C, Vol.24, NO.4, 1994 of Crossover and Mutation",
IEEE Trans. on S.M.C, Vol.24, NO.4, 1994
● Daihee Park, Abraham Kandel, Gideon Langholz, "Genetic-Based New Fuzzy
Reasoning Models with Application to Fuzzy Control", IEEE Trans. S. M. C,
Vol.24, NO.1, PP39-47, 1994
● Alen Varsek, Tanja Urbancic, Bodgan Filipic, "Genetic Algorithms in Con
troller Design and Tuning", IEEE Trans. S. M. C, Vol.23, NO.5, PP1330-13
39, 1993

❸ 如何確定空氣首要污染物

先分算AQI即IAQI 再取最大值即為一天的AQI指數，評價項目二氧化硫，二氧化氮，PM2.5，PM10，臭氧（8小時滑動，其他未註明評價24小時平均）和一氧化碳，不同濃度對應不同的分AQI值，具體演算法:例如PM2.5濃度為60微克立方米，（35微克立方米對應50，75微克立方米對應100，具體查表），算出分AQI為81.25，算出6個分AQI取最大，最大分AQI污染物為首要污染物。AQI指數對應不同評級(優良輕度中度重度)。

❹ 你應該知道的維特比解碼

嵌牛導讀：維特比解碼是一種高效的卷積碼解碼方法，該方法由Andrew Viterbi 發明，並以他的名字命名。

嵌牛鼻子：Viterbi解碼

嵌牛提問：維特比解碼的性能相比分組碼等其他編碼的解碼性能究竟好在哪裡，如何來評估？編碼約束度和監督位數量對維特比解碼的性能是如何產生影響的。

嵌牛正文：

在接收端，我們有一組對應於發射監督比特的電壓采樣序列。為簡單並不失一般性，我們將假設接收端獲得了最佳采樣點（或者一組采樣集的均值對應一個監督位），通過與閾值比較判為「0」或「1」（解映射），並將判決結果傳遞給解碼器。在沒有關於采樣點和解碼器其它信息的情況下，解碼過程被稱為硬判決解碼。

下面簡述硬判決維特比解碼：

解碼演算法使用兩個度量：分支度量（branch metric,BM）和路徑度量（path metric,PM）。分支度量計算的是發射和接收內容之間的「距離」，它是為網格中的每條分支路徑定義的。在硬判決解碼中，給出一組已經數字化的接收監督比特，分支度量就是監督比特預測值和接收監督比特之間的漢明距離。下圖展示了一個示例，其中接收的位為00，對於每個狀態轉移，分支路徑上的數字顯示該轉移的分支度量。其中有兩條路徑的分支量度為0，對應於漢明距離為0的唯一狀態和轉移關系，其他非0分支量度對應於存在位錯誤的情況。

路徑度量值與網格中的狀態相關聯。對於硬判決解碼，它對應於網格中從初始狀態到當前狀態的最可能路徑與接收監督比特序列間的漢明距離。「最有可能」是指在計算從初始狀態到當前狀態之間的所有可能路徑度量後，取漢明距離最小的那條。

維特比演算法的關鍵點在於，接收機可以使用分支度量和先前計算的狀態路徑度量遞推地計算當前狀態的路徑度量。

計算路徑度量

假設接收機已經在時刻i計算好每個狀態s的路徑量度PM[s,i]（設卷積碼的編碼約束度為K，則狀態數為2^(K-1)）。在硬判決解碼中，PM[s,i]的值是在接收監督比特與最可能發送的消息進行比較時得到的差錯比特總數（通常我們將狀態「00」作為起始狀態）。

在時刻i的所有可能狀態中，最可能的狀態是具有最小路徑度量的狀態。如果具備最小路徑度量的狀態不止一個，那它們擁有相等的可能性。

現在，我們如何確定時刻i+1下每個狀態s的路徑度量PM[s,i+1]呢？要回答這個問題，首先要注意的是，對於i+1時刻的狀態s，它必須由i時刻的兩種可能狀態中的一個中轉移而來。這兩個之前狀態記為α和β，並且對於給定的狀態s，它們是固定的。實際上α和β僅由卷積碼的編碼約束度決定，與生成多項式無關。圖2顯示了每個狀態的之前狀態（箭頭的另一端），該例中，對於狀態00，α= 00 ，β= 01；對於狀態01，α= 10 ，β= 11。

任何使得發射機在i+1時刻處於狀態s的信息序列必定使得發射機在i時刻位於狀態α或β。例如，在圖2中，在時刻i+1時到達狀態01，必定符合以下兩點之一：

1. 發射機在時刻i位於狀態10，且第i個信息比特為0。在這種情況下，發射機輸出監督位11。由於接收比特為00，因此將產生2位誤碼，新的狀態路徑度量PM[01,i+1] = PM[10,i] + 2。

2. 發射機在時刻i位於狀態11，且第i個信息比特為0。在這種情況下，發射機輸出監督位01。由於接收比特為00，因此將產生1位誤碼，新的狀態路徑度量PM[01,i+1] = PM[11,i] + 1。

通過上面直觀的分析，我們看到：

尋找最大似然路徑

現在我們可以來描述解碼器是如何找到最大似然路徑了。初始時，狀態00代價為0，其它2^(k-1)-1個狀態代價為正無窮（∞）。

演算法的主循環由兩個主要步驟組成：首先計算下一時刻監督比特序列的分支度量，然後計算該時刻各狀態的路徑度量。路徑度量的計算可以被認為是一個「加比選」過程：

1.將分支度量與上一時刻狀態的路徑度量相加。

2.每一狀態比較達到該狀態的所有路徑（每時刻每個狀態只有兩條這樣的路徑進行比較，因為只有兩條來自前一時刻狀態的分支）。

3.每一狀態刪除其餘到達路徑，保留最小度量的路徑（稱為倖存路徑），該路徑對應於錯誤最少的路徑。

一直採取這樣的方法直到最後產生一條路徑，所判決出來的的碼即是解碼結果。

❺ 變頻器中pm是什麼意思

三晶 S350系列是新一代高性能矢量變頻器，有如下特點：

■採用最新高速電機控制專用晶元DSP，確保矢量控制快速響應
■硬體電路模塊化設計，確保電路穩定高效運行
■外觀設計結合歐洲汽車設計理念，線條流暢，外形美觀
■結構採用獨立風道設計，風扇可自由拆卸，散熱性好
■無PG矢量控制、有PG矢量控制、轉矩控制、V/F控制均可選擇
■強大的輸入輸出多功能可編程端子，調速脈沖輸入，兩路模擬量輸出
■獨特的「挖土機」自適應控制特性，對運行期間電機轉矩上限自動限制，有效抑制過流頻繁跳閘
■寬電壓輸入，輸出電壓自動穩壓（AVR），瞬間掉電不停機，適應能力更強
■內置先進的 PID 演算法 ，響應快、適應性強、調試簡單 ； 16 段速控制，簡易PLC 實現定時、定速、定向等多功能邏輯控制，多種靈活的控制方式以滿足各種不同復雜工況要求
■內置國際標準的 MODBUS RTU ASCII 通訊協議，用戶可通過PC/PLC控制上位機等實現變頻器485通訊組網集中控制

❻ PM2.5空氣質量指數(AQI)是怎樣算出來的,例如實測濃度等於0.035是什麼意思

所謂的「實測濃度」指的是PM2.5在一個自然日內,連續若干個小時的測量濃度的算數平均值。單位一般用μg/m3,你這個數據則是用的mg/m3。在環境保護部頒布的 HJ 633-2012 《環境空氣質量指數 (AQI) 技術規定(試行)》 中,規定了AQI的計算公式以及其數值的含義。你可以看第8/9頁。通常去查那個表格就行,不需要自己去計算PM2.5濃度對應的AQI。

❼ 演算法設計

按你的意思，每一種商品都有{1，2，3，4，5}這5種重要度嗎？
如果是，就好辦了。
此時，MAX=(P1+P2+……+Pm)*5，演算法的意義就在求MAX1=P1+P2+……+Pm

1、先將商品按價格排序（比如從小到大）；
2、Pz=N-Pmin (N為當前持有的錢數也可理解為之前買過商品後剩餘的錢 數；Pmin為商品中最低的價格；Pz只是個中間變數。）
3、以Pz作為價格上限，去購買商品中價格最高的商品。
（剩餘的錢數為N）
4、重復第2到3步，直到第3步條件不滿足，則進行第5步。
5、假如第3步中Pz<Pmin，則直接拿N去購買商品中價格最大的商品。

等等，我這演算法還不夠嚴謹，沒有考慮重復商品的情況。
考慮重復商品的情況要改第2步，這里不能簡單的用(N-Pmin)了。先將這里的Pmin改為Pm吧，這個Pm要重新計算。
計算Pm的步驟：
1、將N/2，取整數部分。
2、在商品價格中從低價向上累加，得到一個<=第1步的整數部分的最大值為Pm

新的演算法：
1、先將商品按價格排序（比如從小到大）；
2、計算Pm,將此時的Pm保存下來Pn=Pm。
3、Pz=N-Pm (N為當前持有的錢數也可理解為之前買過商品後剩餘的錢數；Pz只是個中間變數。）
4、以Pz作為價格上限，去購買商品中價格最高的商品。
（剩餘的錢數為N；需要把已購買的那個商品從數組中刪除。）
5、計算新的Pm （經過多次重復後，Pm將為0）
6、重復第3到5步直到Pz<剩餘商品的最低價格。得到一個MAX值。
7、再計算Pm，這時計算方法有點改變,用Pn/2。再把Pm保存下來Pn=Pm
8、重復第3到7步直到Pn為0
9、將各個MAX值進行比較，找出最大值。

如果商品的重要度是1到5的部分或全部，還沒想出來。

❽ 【討論】各種平均含沙量的定義及計算方法

垂線平均含沙量物理意義上實際是單寬垂向平均輸沙量的概念。既單位時間內，單位寬度上，通過某一水柱泥沙量的垂向平均值，實際上是一個被忽略掉方向的矢量。SSC_DepthAverage=單位時間單位寬度通過水柱的泥沙總量÷水深具體測量中使用的演算法有：六點法：pm=(p0.0v0.0+ 2p0.2v0.2 +2p0.4v0.4+ 2p0.6v0.6+ 2p0.8v0.8+ p1.0v1.0)/10v五點法：pm=(p0.0v0.0+ 3p0.2v0.2+ 3p0.6v0.6+ 2p0.8v0.8+ p1.0v1.0)/10v三點法：pm=( p0.2v0.2+ p0.6v0.6+ p0.8v0.8)/（v0.2+ v0.6+ v0.8）二點法：pm=( p0.2v0.2+p0.8v0.8)/（v0.2+ v0.8）一點法：pm=k1p0.5或k2p0.6其中：pm—垂線平均含沙量（kg/m3）；pi—相對水深之處的測點含沙量(kg/m3)；Vi--相對水深之處的測點流速(m/s)；v—垂線平均流速(m/s);k1,k2—由實驗得出的系數。

❾ 關於遺傳演算法

遺傳演算法（Genetic Algorithm，簡稱GA）是美國 Michigan大學的 John Golland提出的一種建立在自然選擇和群體遺傳學機理基礎上的隨機、迭代、進化、具有廣泛適用性的搜索方法。現在已被廣泛用於學習、優化、自適應等問題中。圖4-1 給出了 GA搜索過程的直觀描述。圖中曲線對應一個具有復雜搜索空間（多峰空間）的問題。縱坐標表示適應度函數（目標函數），其值越大相應的解越優。橫坐標表示搜索點。顯然，用解析方法求解該目標函數是困難的。採用 GA時，首先隨機挑選若干個搜索點，然後分別從這些搜索點開始並行搜索。在搜索過程中，僅靠適應度來反復指導和執行 GA 搜索。在經過若干代的進化後，搜索點後都具有較高的適應度並接近最優解。

一個簡單GA由復制、雜交和變異三個遺傳運算元組成：

圖4-2 常規遺傳演算法流程圖

❿ 求兩個數的最大公約數

求兩個數的最大公約數有下列幾種方法：

歐幾里得演算法：

例如求1997和615的最大公因數的步驟：

1997/615=3（餘152）。

615/152=4（餘7）。

152/7=21（餘5）。

7/5=1（餘2）。

5/2=2(餘1)。

2/1=2(餘0)。

至此1997和615的最大公約數為1，以除數和余數反復做運算，最後余數為0，取當前算式除數為最大公約數，所以就得出了 1997 和 615 的最大公約數 1，這是歐幾里得演算法。

公共積子因

演算法簡介：通過計算兩個數字的公共積子因。

演算法描述：計算 gcd(m, n)

第一步:找出 m 的全部質因數。

第二步:找出 n 的全部質因數。

第三步:從第一步和第二步求得的質因數分解式中找出所有的公因數(如果p是一個公因數,而且在m和n的質因數分解式分別出現過pm和pn 次,那麼應該將p重復min{pm, pn}次)。

第四步:將第三步中找到的質因數相乘,其結果作為給定數字的最大公約數。